选择性注意力

基于记忆反馈的问题引导视觉压缩用于长视频理解

Question-guided Visual Compression with Memory Feedback for Long-Term Video Understanding

提出问题引导的多模态选择性注意力（QMSA），将上下文记忆中的历史帧反馈到当前感知，用于压缩长视频中的视觉 token；该机制可复用于任何需要长时序视觉 token 压缩的 VLM 推理流程。